mcpField
R
retention-analysis

retention-analysis

github.com/liangdabiaoデータ・データベース29836 回インストール25 週間前に更新
リポジトリ

retention-analysis について

サブスクリプション、会員制、ECなどで、継続率の測定や解約リスクの予測、継続施策の検討を行う分析スキルです。生存分析、コホート分析、機械学習を組み合わせ、リスクスコアと改善案を作成します。

主な機能

  1. 01継続率と解約指標の計算
  2. 02Kaplan-Meier生存曲線の作成
  3. 03獲得時期や行動別のコホート分析
  4. 04Cox回帰による解約要因の分析
  5. 05機械学習による解約リスク予測
  6. 06継続率改善案の作成

活用シーン

  1. 01SaaSの契約更新と解約の分析
  2. 02会員ランク別の継続率比較
  3. 03解約リスクのあるEC顧客の特定
  4. 04長期継続に影響する要因の評価

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/liangdabiao/claude-data-analysis-ultra-main --skill retention-analysis

インストール後、Claude Code で/retention-analysisを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

README.md
examples/
basic_retention.py
comprehensive_retention_report.html
survival_analysis_report.html
examples/sample_data/
README.md
scripts/
retention_analyzer.py
survival_analyzer.py
visualizer.py

詳細

リテンション分析スキル

高度な統計手法と機械学習技術を使用して、ユーザーのリテンションパターンを分析し、顧客の解約を予測して、リテンション戦略を最適化します。

クイックスタート

このスキルでは、以下を行います。

  1. リテンション率と解約指標を計算する
  2. Kaplan-Meier 分析を使用して生存曲線を作成する
  3. コホート分析を実施して行動パターンを把握する
  4. 機械学習モデルで解約リスクを予測する
  5. Cox 回帰を使用してリテンションを左右する要因を特定する
  6. リテンション改善に向けた実行可能なインサイトを導き出す

使用する場面

  • SaaS 製品の分析：ユーザーのサブスクリプション更新と解約のパターン
  • 会員プログラム：会員のエンゲージメントとロイヤルティの分析
  • E コマース：顧客のリピート購入行動とサブスクリプションボックス
  • ゲームアプリ：プレイヤーのリテンションとエンゲージメント指標
  • サービス業：顧客満足度と長期的な関係
  • サブスクリプションビジネス：月次／年次サブスクリプションの分析

主な要件

必要なパッケージをインストールします。

pip install pandas numpy matplotlib seaborn scikit-learn lifelines

基本的なワークフロー

1. データの準備

データには以下を含めてください。

  • ユーザー識別子：一意のユーザー／顧客 ID
  • 時間変数：登録日、アクティビティの日付、サブスクリプション期間
  • イベント指標：解約ステータス（1＝解約、0＝有効）
  • ユーザー属性：人口統計、行動、サブスクリプションの詳細
  • 任意：利用状況指標、支払い履歴、エンゲージメントデータ
2. 分析プロセス
  1. データの前処理：リテンションデータをクリーンアップして準備する
  2. 生存分析：Kaplan-Meier 曲線を作成する
  3. コホート分析：ユーザーを獲得時期別にグループ化する
  4. リスクモデリング：Cox 回帰で解約要因を特定する
  5. 解約予測：機械学習による予測モデルを作成する
  6. インサイトの導出：実行可能な推奨事項を作成する
3. 成果物
  • リテンション率の表とグラフ
  • 信頼区間付きの生存曲線
  • コホートヒートマップと行動パターン
  • 解約リスクスコアと特徴量の重要度
  • リテンション最適化戦略

使用例

SaaS サブスクリプション分析
# Analyze monthly subscription renewal patterns
# Predict which users are likely to churn
# Identify features that drive long-term retention
会員プログラム分析
# Track member engagement over time
# Compare retention across membership tiers
# Analyze payment method impact on retention
E コマースの顧客リテンション
# Analyze repeat purchase patterns
# Calculate customer lifetime value
# Identify high-value customer segments

主な分析手法

生存分析
  • Kaplan-Meier 推定量：ノンパラメトリックな生存曲線
  • ログランク検定：グループ間の生存状況を比較する
  • Cox 比例ハザードモデル：複数の変数によるリスクモデリング
  • 生存期間の中央値：ユーザーの 50％が解約するまでの期間
コホート分析
  • 時間ベースのコホート：獲得した月／四半期別にグループ化する
  • 行動ベースのコホート：利用パターン別にグループ化する
  • リテンションマトリックス：期間ごとのリテンションを可視化する
  • コホート比較：異なるコホートの行動を比較する
機械学習による予測
  • ロジスティック回帰：解約の二値分類
  • ランダムフォレスト：非線形パターンの検出
  • 勾配ブースティング：高精度の予測
  • 特徴量の重要度：主な解約要因を特定する

解決できる一般的なビジネス上の疑問

  1. 全体的なリテンション率はどのくらいですか？
  2. ユーザーセグメントによってリテンションはどのように異なりますか？
  3. 顧客の解約に最も影響する要因は何ですか？
  4. 解約リスクが最も高いユーザーは誰ですか？
  5. 長期的なリテンションを改善するにはどうすればよいですか？
  6. 顧客の一般的なライフタイムはどのくらいですか？

統合例

以下については、examples/ ディレクトリを参照してください。

  • basic_retention.py - 生存分析の基本
  • cohort_analysis.py - コホートベースのリテンション分析
  • churn_prediction.py - 機械学習ベースの解約予測
  • テスト用のサンプルデータセット

ベストプラクティス

  1. データ品質：解約の定義と時間の測定が正確であることを確認する
  2. イベントの定義：「解約」に該当する内容を明確に定義する
  3. 時間枠：適切な分析期間を選択する
  4. セグメンテーション：ユーザーグループごとに個別に分析する
  5. 検証：必ずテストデータでモデルを検証する
  6. ビジネスの背景：運用上の制約とコストを考慮する

高度な機能

  • 競合リスク分析：さまざまな種類の離脱
  • 時間依存共変量：動的な特徴量分析
  • 顧客生涯価値：継続率と収益を統合
  • 継続率予測：今後の継続率の傾向を予測
  • A/Bテスト：継続率改善の効果を測定

コメント

Markdown 対応